CN108491796B - 一种时域周期点目标检测方法 - Google Patents

一种时域周期点目标检测方法 Download PDF

Info

Publication number
CN108491796B
CN108491796B CN201810240506.8A CN201810240506A CN108491796B CN 108491796 B CN108491796 B CN 108491796B CN 201810240506 A CN201810240506 A CN 201810240506A CN 108491796 B CN108491796 B CN 108491796B
Authority
CN
China
Prior art keywords
target
image
frame
candidate
candidate target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201810240506.8A
Other languages
English (en)
Other versions
CN108491796A (zh
Inventor
傅志中
李晓峰
叶正
赵开开
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810240506.8A priority Critical patent/CN108491796B/zh
Publication of CN108491796A publication Critical patent/CN108491796A/zh
Application granted granted Critical
Publication of CN108491796B publication Critical patent/CN108491796B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种时域周期点目标检测方法，其包括以下步骤：将待检测对象的单帧原图转换成灰度图像，并对灰度图像进行噪声抑制，得到去噪图像；对去噪图像进行双差分联合二值化处理，得到候选目标二值图；对候选目标二值图进行连通域标记，得到一个单帧候选目标点集；进行空域特征分析及提取，剔除单帧候选目标点集的伪目标点；进行时域特征分析及提取，得到高度疑似目标点集；通过多帧信息综合判决，将时间长度最长的高度疑似目标作为真实目标。本发明降低了单帧检测的虚警概率，有效地降低了后续利用时域特征的多帧检测算法的计算复杂度，并有效地滤除了单帧检测难以排除的符合空域特征的伪目标点，实现了点目标检测。

Description

一种时域周期点目标检测方法
技术领域
本发明涉及目标检测领域，具体涉及一种时域周期点目标检测方法。
背景技术
目标检测技术是指在同时包含目标、背景和干扰的图像序列中，检出感兴趣图像区域(目标)的过程。能否在适当的时刻准确无误的将目标筛选出来，是该技术能否成功应用于实际工业生产环境及军事活动现场等相关领域的关键。近年来，目标检测技术中难度较高的点目标检测在军事领域、天文观测、远程监控等领域等具有广泛的应用。由于实际成像系统与目标之间距离较远，导致目标在图像序列中呈现点状，占据面积较少(约数十个像素左右)，边缘信息模糊，形态特征不够明显，纹理信息几乎完全缺失，相对而言，图像就会受到更多空间中的噪声和复杂背景的影响，对该类目标的检测和跟踪变得非常困难。
发明内容
针对现有技术中的上述不足，本发明提供的一种时域周期点目标检测方法提供了一种点目标的检测方法。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种时域周期点目标检测方法，其包括以下步骤：
S1、将待检测对象的单帧原图转换成灰度图像，并对灰度图像进行噪声抑制，得到去噪图像；
S2、对去噪图像进行双差分联合二值化处理，得到候选目标二值图；
S3、对候选目标二值图进行连通域标记，得到一个具有空域特征信息的单帧候选目标点集；
S4、对单帧候选目标点集中的候选目标进行空域特征分析及提取，剔除单帧候选目标点集的伪目标点；
S5、设定一个滑动窗口，并将其初始状态设定为待检测对象的前连续k帧图像，基于时间周期特征对前连续k帧图像中剔除掉伪目标点的单帧候选目标点集进行时域特征分析及提取，得到k帧原始图像序列的一组k帧高度疑似目标点集；将滑动窗口的后续状态设置为一次一帧的速度向前滑动，采用与初始状态相同的方法得到多组单帧高度疑似目标点集；
S6、计算多组单帧高度疑似目标点集中各个疑似目标在k帧高度疑似目标点集中出现的时间长度，将时间长度最长的高度疑似目标作为真实目标，实现点目标检测。
进一步地，步骤S2的具体方法为：
S2-1、采用面积大于待检测对象面积的矩形结构元对去噪图像I'(x,y)进行中值滤波，得到背景估计图像IB1(x,y)；采用面积大于待检测对象面积的圆形结构元对去噪图像I'(x,y)进行灰度图形学开运算，得到背景估计图像IB2(x,y)；
S2-2、将背景估计图像IB1(x,y)和背景估计图像IB2(x,y)分别与去噪图像I'(x,y)进行差分处理，并根据目标灰度与背景差异的统计分析设定全局静态阈值T，根据公式
Figure BDA0001605069870000021
IBn(x,y)∈IBn
得到任一候选目标点IBn(x,y)，进而得到候选目标二值图IBn。
进一步地，步骤S3中空域特征信息包括计数、像素、形状、位置和灰度值。
进一步地，步骤S5中基于时间周期特征得到高度疑似目标点集的方法为：
分析各个候选目标时间周期特性，将连续两帧中都出现的同一候选目标以及在前后相邻k帧中仅单次出现过的候选目标均作为伪目标点，并将该伪目标点剔除，得到高度疑似目标点集。
进一步地，滑动窗口的初始状态设置为前连续4至8帧图像，即k＝4、5、6、7或8，并优先取k＝6。
本发明的有益效果为：
1、本发明综合了传统中值滤波和形态学开运算的优缺点。中值滤波在分离出目标的同时会引入符合目标空域特征的若干尖锐边缘噪声，即伪目标点。灰度图形态学开运算则由于会断开图像细小连接，导致将一些狭长的非目标区域拆分成若干符合空域特征的疑似目标，即伪目标点。通过双差分联合二值化操作可以将两者都分离出的目标留下，而将引入的不同特性伪目标点滤除，降低了单帧检测的虚警概率。
2、本发明的空域特征分析及提取部分，在利用双差分联合二值化得到候选目标二值图之后，再通过分析提取目标点的空域特征，剔除不符合空域特征的候选目标，进一步降低了单帧检测的虚警概率，有效地降低了后续利用时域特征的多帧检测算法的计算复杂度。
3、本发明的时域特征分析及提取部分，通过分析目标的时间周期特征，设定多帧关联情况下对于伪目标点的判决条件，即判定连续两帧中都出现的同一候选点以及在前后相邻k帧中仅单次出现过的候选点均为伪目标点，有效地滤除了单帧检测难以排除的符合空域特征的伪目标点。
附图说明
图1为本发明的流程图；
图2为实施例的灰度图像示意图；
图3为通过双差分联合二值化处理得到的图像；
图4为经过空域特征分析及提取之后得到的空域去噪图像；
图5为经过时域特征分析及提取之后得到的时域去噪图像；
图6为通过多帧信息综合判决输出的检测结果。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该时域周期点目标检测方法包括以下步骤：
S1、将待检测对象的单帧原图转换成灰度图像，并对灰度图像进行噪声抑制，得到去噪图像；
S2、对去噪图像进行双差分联合二值化处理，得到候选目标二值图；
S3、对候选目标二值图进行连通域标记，得到一个具有若干空域特征信息的单帧候选目标点集；
S4、对单帧候选目标点集中的候选目标进行空域特征分析及提取，剔除单帧候选目标点集的伪目标点；
S5、设定一个滑动窗口，并将其初始状态设定为待检测对象的前连续k帧图像，基于时间周期特征对前连续k帧图像中剔除掉伪目标点的单帧候选目标点集进行时域特征分析及提取，得到k帧原始图像序列的一组k帧高度疑似目标点集；将滑动窗口的后续状态设置为一次一帧的速度向前滑动，采用与初始状态相同的方法得到多组单帧高度疑似目标点集；
S6、将多组单帧高度疑似目标点集中的各个疑似目标与k帧高度疑似目标点集中的疑似目标进行对应，计算多组单帧高度疑似目标点集中各个疑似目标在k帧高度疑似目标点集中出现的时间长度，将时间长度最长的高度疑似目标作为真实目标，实现点目标检测。
步骤S2的具体方法为：
S2-1、采用面积大于待检测对象面积的矩形结构元对去噪图像I'(x,y)进行中值滤波，得到背景估计图像IB1(x,y)；采用面积大于待检测对象面积的圆形结构元对去噪图像I'(x,y)进行灰度图形学开运算，得到背景估计图像IB2(x,y)；
S2-2、将背景估计图像IB1(x,y)和背景估计图像IB2(x,y)分别与去噪图像I'(x,y)进行差分处理，并根据目标灰度与背景差异的统计分析设定全局静态阈值T，根据公式
Figure BDA0001605069870000051
IBn(x,y)∈IBn
得到任一候选目标点IBn(x,y)，进而得到候选目标二值图IBn。
步骤S3中若干空域特征信息包括计数、像素、形状、位置和灰度值。
步骤S5中基于时间周期特征得到高度疑似目标点集的方法为：
分析各个候选目标时间周期特性，将连续两帧中都出现的同一候选目标以及在前后相邻k帧中仅单次出现过的候选目标均作为伪目标点，并将该伪目标点剔除，得到高度疑似目标点集。
步骤S6中将多组单帧高度疑似目标点集中的各个疑似目标与k帧高度疑似目标点集中的疑似目标进行对应的具体方法为：
不同帧中两个疑似目标的对应标准为：欧拉距离小于d、灰度差小于等于g且占据像素点的个数差小于等于p，其中d＝5，g＝20，p＝5。
滑动窗口的初始状态设置为前连续4至8帧图像，即k＝4、5、6、7或8，并优先取k＝6。
在本发明的一个实施例中，输入当前帧灰度图像I，如下图2所示，其图像尺寸为1920*1080，设置小尺寸滤波器进行中值滤波，去除细微噪声，其尺寸大小为2*2的矩形结构元。以矩形结构元左上角元素I(x,y)为中心点，对包括中心点在内的四个像素点的灰度值进行排序，得到p1<p2<p3<p4，则：
Figure BDA0001605069870000061
得到去噪图像I'(x,y)。
使用略大于目标面积的矩形结构元S1，其尺寸大小为10*10的矩形结构元，对去噪图像I'(x,y)进行较大尺寸中值滤波操作，获取背景图像IB1(x,y)。
使用略大于目标面积的圆形结构元S2，其尺寸为半径为2的圆盘形结构元，对去噪图像I'(x,y)进行灰度图形态学开运算，获取背景图像IB2(x,y)。
将上述步骤获取的背景图像IB1(x,y)和IB2(x,y)分别与去噪图像I'(x,y)进行差分处理，并根据目标灰度与背景灰度差异的统计分析设定全局静态阈值T，本发明所针对的点目标，其灰度信息一般比周围背景灰度高约20-50个灰度值，因此可以设定阈值为T＝30。通过联合二值化操作得到候选目标二值图IBn，如图3所示的图像。对于二值图IBn中每一像素点IBn(x,y)进行如下求值：
Figure BDA0001605069870000062
对候选目标二值图IBn进行连通域标记，形成一个具有计数、像素、形状、位置以及灰度值的若干空域特征信息的单帧候选目标点集。
对目标进行空域特征分析及提取，本发明针对的点目标的形态特征为类似圆形，其高度和宽度差异不超过两个像素，最小面积不低于4个像素点，最大面积不大于50个像素点，剔除掉不符合上述特征的候选点，即伪目标点，得到如图4所示的图像。
设定一个滑动窗口K，初始状态为前连续k帧图像，在本发明中，令k＝6帧即可达到较好的效果。将这k帧原始图像序列进行上述步骤处理之后，得到一组候选目标点集的序列。基于时间周期特征对目标进行时域特征分析及提取，判定连续两帧中都出现的同一候选点以及在前后相邻k帧中仅单次出现过的候选点均为噪声，即伪目标点。剔除掉伪目标点，得到k帧原始图像序列的一组高度疑似目标点集，得到如图5所示的图像。后续保持窗口以一次处理1帧的速度向前滑动。其中判定阶段，认定不同帧的两个候选点集中两个点为同一候选点的标准为：对于两点位置信息，其欧拉距离小于d；对于两点的灰度信息，其灰度差值不超过g；对于两点的面积大小，占据像素点的个数差不超过p。
对于每一个滑动窗口k中获取到的一组高度疑似目标点集的序列，计算序列中每个点集中的各个高度疑似目标在k长序列中出现的时间长度，其具体操作方式为，若该帧是k组点集序列中的第一帧，则将其作为初始化数据，对后续每帧的点，通过与初始化数据进行比较，利用目标对应的判定标准，若该点已存在于初始化数据中，则该点的时间长度加一，若该点不存在，则将其更新到初始化数据中去。处理完k帧点集序列后，选出时间长度最长的高度疑似目标，即为检测出的真实目标，得到如图6所示的图像。

Claims (4)

1.一种时域周期点目标检测方法，其特征在于：包括以下步骤：
S1、将待检测对象的单帧原图转换成灰度图像，并对灰度图像进行噪声抑制，得到去噪图像；
S2、对去噪图像进行双差分联合二值化处理，得到候选目标二值图；
S3、对候选目标二值图进行连通域标记，得到一个具有空域特征信息的单帧候选目标点集；
S4、对单帧候选目标点集中的候选目标进行空域特征分析及提取，剔除单帧候选目标点集的伪目标点；
S5、设定一个滑动窗口，并将其初始状态设定为待检测对象的前连续k帧图像，基于时间周期特征对前连续k帧图像中剔除掉伪目标点的单帧候选目标点集进行时域特征分析及提取，得到k帧原始图像序列的一组k帧高度疑似目标点集；将滑动窗口的后续状态设置为一次一帧的速度向前滑动，采用与初始状态相同的方法得到多组单帧高度疑似目标点集；
S6、计算多组单帧高度疑似目标点集中各个疑似目标在k帧高度疑似目标点集中出现的时间长度，将时间长度最长的高度疑似目标作为真实目标，实现点目标检测；
步骤S2的具体方法为：
S2-1、采用面积大于待检测对象面积的矩形结构元对去噪图像I'(x,y)进行中值滤波，得到背景估计图像IB1(x,y)；采用面积大于待检测对象面积的圆形结构元对去噪图像I'(x,y)进行灰度图形学开运算，得到背景估计图像IB2(x,y)；
S2-2、将背景估计图像IB1(x,y)和背景估计图像IB2(x,y)分别与去噪图像I'(x,y)进行差分处理，并根据目标灰度与背景差异的统计分析设定全局静态阈值T，根据公式
Figure FDA0003212544280000021
IBn(x,y)∈IBn
得到任一候选目标点IBn(x,y)，进而得到候选目标二值图IBn。
2.根据权利要求1所述的时域周期点目标检测方法，其特征在于：所述步骤S3中空域特征信息包括计数、像素、形状、位置和灰度值。
3.根据权利要求1所述的时域周期点目标检测方法，其特征在于：所述步骤S5中基于时间周期特征得到高度疑似目标点集的方法为：
分析各个候选目标时间周期特性，将连续两帧中都出现的同一候选目标以及在前后相邻k帧中仅单次出现过的候选目标均作为伪目标点，并将该伪目标点剔除，得到高度疑似目标点集。
4.根据权利要求1-3任一所述的时域周期点目标检测方法，其特征在于：滑动窗口的初始状态设置为前连续4至8帧图像，即k＝4、5、6、7或8。
CN201810240506.8A 2018-03-22 2018-03-22 一种时域周期点目标检测方法 Expired - Fee Related CN108491796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810240506.8A CN108491796B (zh) 2018-03-22 2018-03-22 一种时域周期点目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810240506.8A CN108491796B (zh) 2018-03-22 2018-03-22 一种时域周期点目标检测方法

Publications (2)

Publication Number Publication Date
CN108491796A CN108491796A (zh) 2018-09-04
CN108491796B true CN108491796B (zh) 2021-10-22

Family

ID=63319228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810240506.8A Expired - Fee Related CN108491796B (zh) 2018-03-22 2018-03-22 一种时域周期点目标检测方法

Country Status (1)

Country Link
CN (1) CN108491796B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135312B (zh) * 2019-05-06 2022-05-03 电子科技大学 一种基于分级lcm的快速小目标检测方法
CN110135314B (zh) * 2019-05-07 2020-08-11 电子科技大学 一种基于深度轨迹预测的多目标跟踪方法
CN113112519B (zh) * 2021-04-23 2023-04-18 电子科技大学 基于感兴趣目标分布的关键帧筛选方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853376A (zh) * 2010-02-10 2010-10-06 西安理工大学 一种乳腺微钙化点计算机辅助检测方法
CN102074022A (zh) * 2011-01-10 2011-05-25 南京理工大学 一种基于红外图像的弱小运动目标检测方法
CN102254158A (zh) * 2011-07-07 2011-11-23 中国科学院上海技术物理研究所 一种基于卡尔曼滤波的红外目标实时轨迹探测方法
CN102346910A (zh) * 2010-07-30 2012-02-08 中国科学院空间科学与应用研究中心 一种基于单帧红外图像的点目标的实时检测方法
CN102354422A (zh) * 2011-10-19 2012-02-15 湖南德顺电子科技有限公司 一种面向周界防护的可疑目标监测方法
CN103778629A (zh) * 2014-01-15 2014-05-07 中国民航科学技术研究院 一种非相参雷达图像的背景模型实时更新方法
CN103914701A (zh) * 2014-03-20 2014-07-09 燕山大学 一种基于图像的夜间车辆检测方法
CN104463795A (zh) * 2014-11-21 2015-03-25 高韬 一种点阵式dm二维码图像处理方法及装置
CN104504686A (zh) * 2014-12-04 2015-04-08 哈尔滨工程大学 一种采用局部自适应阈值分割的高光谱图像异常探测方法
CN104966054A (zh) * 2015-06-11 2015-10-07 西安电子科技大学 无人机可见光图像中的弱小目标检测方法
CN104966066A (zh) * 2015-06-26 2015-10-07 武汉大学 一种面向交通卡口监控的车内人脸检测方法及系统
CN106558066A (zh) * 2016-11-29 2017-04-05 南昌航空大学 一种基于空时域联合滤波的运动目标检测方法
CN107194896A (zh) * 2017-06-05 2017-09-22 华中科技大学 一种基于邻域结构的背景抑制方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8218012B2 (en) * 2008-03-18 2012-07-10 Bae Systems Information And Electronic Systems Integration Inc. Multi-window/multi-target tracking (MW/MT tracking) method and system for point source objects
US9031285B2 (en) * 2013-04-17 2015-05-12 UtopiaCompression Corporation Detection of floating objects in maritime video using a mobile camera

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853376A (zh) * 2010-02-10 2010-10-06 西安理工大学 一种乳腺微钙化点计算机辅助检测方法
CN102346910A (zh) * 2010-07-30 2012-02-08 中国科学院空间科学与应用研究中心 一种基于单帧红外图像的点目标的实时检测方法
CN102074022A (zh) * 2011-01-10 2011-05-25 南京理工大学 一种基于红外图像的弱小运动目标检测方法
CN102254158A (zh) * 2011-07-07 2011-11-23 中国科学院上海技术物理研究所 一种基于卡尔曼滤波的红外目标实时轨迹探测方法
CN102354422A (zh) * 2011-10-19 2012-02-15 湖南德顺电子科技有限公司 一种面向周界防护的可疑目标监测方法
CN103778629A (zh) * 2014-01-15 2014-05-07 中国民航科学技术研究院 一种非相参雷达图像的背景模型实时更新方法
CN103914701A (zh) * 2014-03-20 2014-07-09 燕山大学 一种基于图像的夜间车辆检测方法
CN104463795A (zh) * 2014-11-21 2015-03-25 高韬 一种点阵式dm二维码图像处理方法及装置
CN104504686A (zh) * 2014-12-04 2015-04-08 哈尔滨工程大学 一种采用局部自适应阈值分割的高光谱图像异常探测方法
CN104966054A (zh) * 2015-06-11 2015-10-07 西安电子科技大学 无人机可见光图像中的弱小目标检测方法
CN104966066A (zh) * 2015-06-26 2015-10-07 武汉大学 一种面向交通卡口监控的车内人脸检测方法及系统
CN106558066A (zh) * 2016-11-29 2017-04-05 南昌航空大学 一种基于空时域联合滤波的运动目标检测方法
CN107194896A (zh) * 2017-06-05 2017-09-22 华中科技大学 一种基于邻域结构的背景抑制方法和系统

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
Analysis of new top-hat transformation and the application for infrared dim small target detection;Xiangzhi Bai等;《Pattern Recognition》;20101231;第43卷;第2145-2156页 *
基于数学形态学的弱点状运动目标的检测;张飞等;《光学技术》;20040930;第30卷(第5期);第600-602页 *
基于时域廓线的红外弱小目标检测算法研究;徐华;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20090115(第03期);第I138-813页 *
基于移动式管道滤波的红外小目标检测方法研究;赵小明等;《红外技术》;20090531;第31卷(第5期);第295-297页 *
小目标检测算法研究;成天乐;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20090415(第04期);第I138-1009页 *
激光雷达红外点目标图像预处理技术研究;张冬云;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20090415(第04期);第I138-934页 *
空中红外小目标并行分割算法;张江辉等;《光电工程》;20051130;第32卷(第11期);第12-15页 *
红外小目标图像预处理及检测算法研究;张超峰;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20180315(第03期);第I138-1636页 *
红外小目标检测中的背景预处理技术研究;陈玉丹等;《科学技术与工程》;20060930;第6卷(第18期);第2897-2899页 *

Also Published As

Publication number Publication date
CN108491796A (zh) 2018-09-04

Similar Documents

Publication Publication Date Title
CN109345472B (zh) 一种复杂场景的红外运动小目标检测方法
CN109934224B (zh) 基于马尔科夫随机场和视觉对比机制的小目标检测方法
CN110111361B (zh) 一种基于多阈值自优化背景建模的运动目标检测方法
CN108491796B (zh) 一种时域周期点目标检测方法
CN104657945A (zh) 复杂背景下多尺度时空联合滤波的红外小目标检测方法
CN107590427B (zh) 基于时空兴趣点降噪的监控视频异常事件检测方法
CN101179713A (zh) 复杂背景下单个运动目标的检测方法
CN110555868A (zh) 一种复杂地面背景下运动小目标检测方法
Kryjak et al. Real-time implementation of the ViBe foreground object segmentation algorithm
Ravanfar et al. Low contrast sperm detection and tracking by watershed algorithm and particle filter
CN113780110A (zh) 一种图像序列中弱小目标实时检测方法及设备
Lian et al. A novel method on moving-objects detection based on background subtraction and three frames differencing
CN111539980B (zh) 一种基于可见光的多目标追踪方法
CN108629792A (zh) 基于背景建模与背景差分的激光目标检测方法和装置
CN110619264A (zh) 基于UNet++的微地震有效信号识别方法及装置
CN109949294A (zh) 一种基于OpenCV的断口形貌图裂纹缺陷提取方法
CN116402852A (zh) 基于事件相机的动态高速目标追踪方法及装置
CN112613456A (zh) 一种基于多帧差分图像累积的小目标检测方法
CN109271902B (zh) 复杂背景下基于时域经验模态分解的红外弱小目标检测方法
CN103473753A (zh) 一种基于多尺度小波阈值去噪的目标检测方法
Bias et al. A novel fuzzy logic inspired edge detection technique for analysis of malaria infected microscopic thin blood images
CN114554188A (zh) 基于图像传感器像素阵列的手机摄像头检测方法及装置
CN111797761B (zh) 一种三阶段烟雾检测系统、方法及可读介质
CN111862152B (zh) 一种基于帧间差分与超像素分割的动目标检测方法
Rout et al. A novel five-frame difference scheme for local change detection in underwater video

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211022

CF01 Termination of patent right due to non-payment of annual fee